{"id":20294,"date":"2021-07-21T14:48:10","date_gmt":"2021-07-21T21:48:10","guid":{"rendered":"https:\/\/blog.webex.com\/uncategorized-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/"},"modified":"2021-08-03T07:30:18","modified_gmt":"2021-08-03T14:30:18","slug":"quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld","status":"publish","type":"post","link":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/","title":{"rendered":"Quali sono le novit\u00e0 in termini di risoluzione entit\u00e0 in MindMeld?"},"content":{"rendered":"

Introduzione<\/strong><\/h2>\n

La risoluzione entit\u00e0 ER (Entity Resolution) \u00e8 il processo di disambiguazione di un’entit\u00e0. Viene realizzata associando un riferimento di testo al nome del mondo reale pi\u00f9 appropriato in una knowledge base (KW) di ricerca. Ad esempio, risolvendo ‘madrid fc<\/em>‘ in ‘Real Madrid Club de F\u00fatbol<\/em>‘, dove la prima \u00e8 una delle parafrasi della seconda. Spesso si fa riferimento alla risoluzione entit\u00e0 anche con altri nomi, come corrispondenza entit\u00e0, collegamento entit\u00e0, collegamento record o deduplicazione record.<\/p>\n

La risoluzione entit\u00e0 \u00e8 disponibile come parte della Pipeline NLP<\/a> di MindMeld e viene utilizzata per eliminare l’ambiguit\u00e0 da eventuali entit\u00e0 identificate nell’input dell’utente, eseguendo l’associazione in base a una knowledge base (KB) precompilata. Controlla la documentazione ufficiale<\/a> per scoprire come creare una KB per la risoluzione entit\u00e0 e utilizzarla durante la creazione di un’app MindMeld.<\/p>\n

Fino a poco tempo fa, MindMeld offriva due opzioni di risoluzione entit\u00e0: una basata sul motore di ricerca e analisi di testo completo Elasticsearch<\/a> e l’altra basata su un semplice algoritmo di corrispondenza esatta come opzione di fallback. Con l’aumentare della diversit\u00e0 nelle applicazioni di MindMeld, queste opzioni potrebbero non essere sempre utilizzabili. Per offrire supporto esteso, MindMeld ora fornisce due opzioni aggiuntive per la risoluzione entit\u00e0: una basata su TF-IDF<\/a> e l’altra basata sulle rappresentazioni di modello neurale precedentemente sottoposto a training (BERT<\/a>, GloVe,<\/a> fastText<\/a>, eccetera). In particolare, queste nuove opzioni non presentano alcuna dipendenza da Elasticsearch (e dai relativi servizi).<\/p>\n

Prima di esaminare pi\u00f9 nel dettaglio queste nuove opzioni, riassumiamo rapidamente come \u00e8 strutturata una knowledge base di entit\u00e0 in MindMeld. Di seguito un esempio di progetto di ordinazione di prodotti alimentari<\/a> con la knowledge base creata per la disambiguazione dei nomi di prodotti alimentari:<\/p>\n

\"Progetto


\n<\/a> Snapshot di una knowledge base per risoluzione entit\u00e0<\/p><\/div>\n

\u00a0<\/p>\n

Come osservato, il campo ‘cname’ (nome canonico) insieme al campo ‘whitelist’ esemplificano alcuni usi comuni per ogni prodotto alimentare insieme al campo ‘id’ che si riferisce a un record univoco, ufficialmente riconosciuto nella knowledge base. Questi tre campi principalmente costituiscono un oggetto entit\u00e0 nella KB. Il testo nel campo ‘cname’ viene solitamente utilizzato in risposte conversazionali e quello nel campo ‘whitelist’, insieme al nome canonico, serve da alias durante il processo di disambiguazione. Spesso, i risultati migliori si ottengono da un resolver entit\u00e0 quando il campo ‘whitelist’ \u00e8 compilato completamente (ossia, comprende usi alternativi, errori di ortografia, forme abbreviate, eccetera). Questo tipo di lavoro pu\u00f2 diventare un processo noioso in alcune applicazioni, ma \u00e8 inevitabile quando si tratta di entit\u00e0 in un dominio altamente specializzato.<\/p>\n

Ulteriori informazioni sugli ultimi resolver<\/strong><\/h2>\n

In resolver diversi dalla corrispondenza esatta, il primo passo \u00e8 ottenere una rappresentazione di vettori per il testo di input per cui occorre la disambiguazione e per tutte le voci della KB (cname e whitelist) che fungono da alias per la disambiguazione. Quindi, utilizzando una qualche forma di corrispondenza di similarit\u00e0 di vettori (similarit\u00e0 di coseno), vengono assegnati un punteggio e una classificazione agli alias.<\/p>\n

Nelle scelte di risoluzione entit\u00e0 aggiunte di recente, il resolver basato su TF-IDF gestisce una vasta gamma di funzionalit\u00e0 n-gram (ossia, funzioni di testo a livello di superficie) prima di calcolare la similarit\u00e0 di coseno sui vettori sparsi. D’altra parte, un resolver basato su embedder precedentemente sottoposto a training esegue le associazioni utilizzando la similarit\u00e0 di coseno su rappresentazioni di vettori dense di testo.<\/p>\n

Sfruttare embedder precedentemente sottoposti a training per la risoluzione entit\u00e0 offre alcuni vantaggi rispetto ad altri approcci. Ad esempio, offrono comprensione semantica di testo senza dover compilare approfonditamente le whitelist (ossia, ‘prestazioni sotto aspettative’ \u00e8 equivalente a ‘prestazioni scadenti’) e forniscono una transizione facile alla corrispondenza di entit\u00e0 multilingue (ossia, si deduce che ‘tercio’ in spagnolo \u00e8 uguale a ‘terzo’ in italiano). Tuttavia, le discrepanze tra precedentemente sottoposto a training e inferenza, come differenze di lunghezza di testi di input, penalizzano gli embedder precedentemente sottoposti a training. Inoltre, i tempi di inferenza dei modelli di embedder possono essere maggiori rispetto a quelli delle altre due opzioni di resolver, a causa dei calcoli di vettori densi sottostanti. Tuttavia, quando perfezionati in modo appropriato, i modelli di embedder possono superare altre opzioni di resolver basate principalmente su funzioni di testo a livello superficiale.<\/p>\n

Nell’analisi seguente, i resolver basati su embedder precedentemente sottoposti a training vengono confrontati con Elasticsearch e resolver di entit\u00e0 TF-IDF. I set di dati gestiti per questo confronto coinvolgono sia la corrispondenza di testo a livello superficiale che la corrispondenza semantica.<\/p>\n

Prestazioni di resolver diversi<\/strong><\/h2>\n

Dopo aver eseguito diversi esperimenti con vari set di dati gestiti internamente, sono state calcolate le seguenti prestazioni in media di resolver di entit\u00e0 diversi per corrispondenza di entit\u00e0 di testo breve. Punteggio Top-1 riportato come misura di precisione di seguito:<\/p>\n

\"Prestazioni


\n<\/a> Prestazioni di diversi resolver entit\u00e0<\/p><\/div>\n

\u00a0<\/p>\n

Le varianti BERT precedentemente sottoposte a training sono disponibili nei trasformatori di frase Hugging Face<\/a> e il grafico presenta i punteggi solo delle prime 5 varianti pi\u00f9 performanti. Modelli di incorporamento parole precedentemente sottoposti a training, come fastText, generalmente hanno prestazioni pi\u00f9 scarse dei modelli di embedder BERT o resolver basati su TF-IDF. Tali prestazioni scadenti possono essere attribuite al cambio di dominio o alla mancanza di perfezionamento.<\/p>\n

Un’ulteriore analisi che utilizza diverse configurazioni della variante BERT pi\u00f9 performante (‘distilbert-base-nli-stsb-mean-tokens’<\/em>) restituisce i seguenti risultati:<\/p>\n

\"Precisione


\n<\/a> Prestazioni di diverse configurazioni utilizzando la variante BERT pi\u00f9 performante<\/p><\/div>\n

\u00a0<\/p>\n

I risultati dimostrano che punteggi di similarit\u00e0 alternativi come BERTScore<\/a> non sono competitivi. Inoltre, l’uso della similarit\u00e0 di coseno durante la concatenazione di layer diversi del modello BERT porta un miglioramento delle prestazioni corrispondenti alle prestazioni di Elasticsearch. Ci\u00f2 \u00e8 intuibile perch\u00e9 layer diversi di BERT possono acquisire informazioni complementari. Anche dopo aver quantizzato<\/a> la variante BERT per un minore impatto sulla memoria e meno complessit\u00e0 di tempo, le prestazioni peggiorano solo del 2-3%.<\/p>\n

Inoltre, quando valutato su dati casuali contenenti errori di ortografia nell’input, il resolver basato su TF-IDF mostra prestazioni superiori ad altri. Ci\u00f2 pu\u00f2 essere dovuto al diverso set di n-gram acquisito da questo resolver. Per questo esperimento, i testi whitelist vengono riutilizzati come istanze di test e vengono indotti in questi testi errori di ortografia. Di conseguenza, con 0% di parole non significative, si osserva una precisione del 100% poich\u00e9 tutte le entit\u00e0 di test sono presenti anche nelle whitelist.<\/p>\n

\"Prestazioni


\n<\/a> Prestazioni su corrispondenza di testo indotta da errori di ortografia<\/p><\/div>\n

\u00a0<\/p>\n

Infine, il seguente grafico illustra le differenze di complessit\u00e0 di tempo di inferenza tra i diversi resolver :<\/p>\n


\n \"Time
\n<\/a><\/p>\n

\u00a0<\/p>\n

(Da sinistra a destra: BERT pi\u00f9 accurato, TF-IDF, Elasticsearch) Tempo di inferenza per entit\u00e0 quando misurato tra knowledge base di diverse dimensioni. L’asse X mostra la dimensione della knowledge base, mentre l’asse Y mostra il tempo per entit\u00e0 in millisecondi. Giallo \u00e8 il tempo di inferenza per codificare il testo di input e verde \u00e8 il tempo di inferenza per il calcolo di similarit\u00e0.<\/p>\n

Le complessit\u00e0 di tempo di TF-IDF e Elasticsearch sono abbastanza comparabili, mentre la migliore variante BERT, sebbene quantizzata, \u00e8 20 volte pi\u00f9 lenta. Questa migliora fino a 10 volte pi\u00f9 lenta se si concatenano i 4 primi layer, ma con una conseguente perdita di precisione.<\/p>\n

Selezione e configurazione di un resolver entit\u00e0<\/strong><\/h2>\n

Le configurazioni di resolver entit\u00e0 MindMeld prendono in considerazione una vasta gamma di parametri configurabili in base al resolver in uso. Il seguente frammento, quando fornito in ‘config.py’ di un’app utilizza un modello BERT precedentemente sottoposto a training scelto da Hugging Face:<\/p>\n

ENTITY_RESOLVER_CONFIG = {<\/em><\/p>\n

\u00a0\u00a0\u00a0 ‘model_type’: ‘resolver’,<\/em><\/p>\n

\u00a0\u00a0\u00a0 ‘model_settings’: {<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 ‘resolver_type’: ‘sbert_cosine_similarity’,<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 ‘pretrained_name_or_abspath’: ‘distilbert-base-nli-stsb-mean-tokens’,<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 …<\/em><\/p>\n

\u00a0\u00a0\u00a0 }<\/em><\/p>\n

}<\/em><\/p>\n

Puoi utilizzare altri modelli di embedder modificando il parametro ‘embedder_type’:<\/p>\n

ENTITY_RESOLVER_CONFIG = {<\/em><\/p>\n

\u00a0\u00a0\u00a0 ‘model_type’: ‘resolver’,<\/em><\/p>\n

\u00a0\u00a0\u00a0 ‘model_settings’: {<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 ‘resolver_type’: ‘embedder_cosine_similarity’,<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 ‘embedder_type’: ‘glove’,<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 \u2026<\/em><\/p>\n

\u00a0\u00a0\u00a0 }<\/em><\/p>\n

}<\/em><\/p>\n

Puoi anche specificare config run-time come ‘batch_size’ quando utilizzi un modello di embedder, insieme a configurazioni specifiche del modello di embedder. Per caricare un resolver basato su TF-IDF, puoi effettuare quanto segue:<\/p>\n

ENTITY_RESOLVER_CONFIG = {<\/em><\/p>\n

\u00a0\u00a0\u00a0 ‘model_type’: ‘resolver’,<\/em><\/p>\n

\u00a0\u00a0\u00a0 ‘model_settings’: {<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 ‘resolver_type’: ‘tfidf_cosine_similarity’,<\/em><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0 …<\/em><\/p>\n

\u00a0\u00a0\u00a0 }<\/em><\/p>\n

}<\/em><\/p>\n

Per ogni oggetto entit\u00e0 nella KB, incorporamenti speciali, che sono il pool medio\/max di tutti gli incorporamenti di alias, vengono anche calcolati e utilizzati per la risoluzione se configurati. Tali incorporamenti speciali spesso migliorano la precisione dei resolver con solo un aumento marginale dei costi computazionali. Per dettagli completi e tutte le scelte configurabili, vedi la sezione ‘Configurazioni’ nella documentazione ufficiale<\/a>.<\/p>\n

Conclusioni e lavoro futuro<\/strong><\/h2>\n

In generale, il resolver basato su Elasticsearch \u00e8 consigliato a meno che uno scenario speciale necessiti di non utilizzarlo. Come riserva, usa resolver basati su modelli di embedder quando esiste un requisito di maggiore corrispondenza semantica o un resolver basato su TF-IDF se non esiste questo requisito. Il modulo ER in MindMeld non fornisce ancora API per confrontare i resolver e identificare quello che funziona meglio per la tua applicazione. Rimani sintonizzato mentre pianifichiamo le attivit\u00e0 necessarie per aggiungere tale supporto insieme ai modi per perfezionare resolver basati su modelli di embedder.<\/p>\n

\u00a0<\/p>\n

Iscriviti a Webex<\/a><\/p>\n

Visita la nostra home page<\/a> o contattaci<\/a> direttamente per assistenza.<\/p>\n


\n Fai clic qui<\/a> per ulteriori informazioni sulle offerte di Webex e per eseguire l’iscrizione a un account gratuito<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

Introduzione La risoluzione entit\u00e0 ER (Entity Resolution) \u00e8 il processo di disambiguazione di un’entit\u00e0. Viene realizzata associando un riferimento di […]<\/p>\n","protected":false},"author":5432,"featured_media":18902,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1530],"tags":[887],"class_list":["post-20294","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-engineering-it","tag-pstn"],"acf":[],"yoast_head":"\nQuali sono le novit\u00e0 in termini di risoluzione entit\u00e0 in MindMeld? | Webex Blog<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/\" \/>\n<meta property=\"og:locale\" content=\"it_IT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Quali sono le novit\u00e0 in termini di risoluzione entit\u00e0 in MindMeld? | Webex Blog\" \/>\n<meta property=\"og:description\" content=\"Introduzione La risoluzione entit\u00e0 ER (Entity Resolution) \u00e8 il processo di disambiguazione di un’entit\u00e0. Viene realizzata associando un riferimento di […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/\" \/>\n<meta property=\"og:site_name\" content=\"Webex Blog\" \/>\n<meta property=\"article:published_time\" content=\"2021-07-21T21:48:10+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2021-08-03T14:30:18+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png\" \/>\n\t<meta property=\"og:image:width\" content=\"975\" \/>\n\t<meta property=\"og:image:height\" content=\"554\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Sai Muralidhar Jayanthi\" \/>\n<meta name=\"twitter:label1\" content=\"Scritto da\" \/>\n\t<meta name=\"twitter:data1\" content=\"Sai Muralidhar Jayanthi\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tempo di lettura stimato\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minuti\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/\"},\"author\":{\"name\":\"Sai Muralidhar Jayanthi\",\"@id\":\"https:\/\/blog.webex.com\/es\/#\/schema\/person\/c17b8b06aadbba270b504e0115e70461\"},\"headline\":\"Quali sono le novit\u00e0 in termini di risoluzione entit\u00e0 in MindMeld?\",\"datePublished\":\"2021-07-21T21:48:10+00:00\",\"dateModified\":\"2021-08-03T14:30:18+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/\"},\"wordCount\":1512,\"commentCount\":0,\"image\":{\"@id\":\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png\",\"keywords\":[\"PSTN\"],\"articleSection\":[\"Ingegneria\"],\"inLanguage\":\"it-IT\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/\",\"url\":\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/\",\"name\":\"Quali sono le novit\u00e0 in termini di risoluzione entit\u00e0 in MindMeld? | Webex Blog\",\"isPartOf\":{\"@id\":\"https:\/\/blog.webex.com\/es\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png\",\"datePublished\":\"2021-07-21T21:48:10+00:00\",\"dateModified\":\"2021-08-03T14:30:18+00:00\",\"author\":{\"@id\":\"https:\/\/blog.webex.com\/es\/#\/schema\/person\/c17b8b06aadbba270b504e0115e70461\"},\"breadcrumb\":{\"@id\":\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#breadcrumb\"},\"inLanguage\":\"it-IT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#primaryimage\",\"url\":\"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png\",\"contentUrl\":\"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png\",\"width\":975,\"height\":554,\"caption\":\"What's new with entity resolution in MindMeld?\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/blog.webex.com\/it\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Quali sono le novit\u00e0 in termini di risoluzione entit\u00e0 in MindMeld?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/blog.webex.com\/es\/#website\",\"url\":\"https:\/\/blog.webex.com\/es\/\",\"name\":\"Webex Blog\",\"description\":\"Webex by Cisco powers collaboration through industry-leading video conferencing, cloud calling and contact center solutions\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/blog.webex.com\/es\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"it-IT\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/blog.webex.com\/es\/#\/schema\/person\/c17b8b06aadbba270b504e0115e70461\",\"name\":\"Sai Muralidhar Jayanthi\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@id\":\"https:\/\/blog.webex.com\/es\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/eaeccf28b3a3e54c571e3f47449e775311afe118202a5f99ec4ca3d94e2d7aea?s=96&d=wp_user_avatar&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/eaeccf28b3a3e54c571e3f47449e775311afe118202a5f99ec4ca3d94e2d7aea?s=96&d=wp_user_avatar&r=g\",\"caption\":\"Sai Muralidhar Jayanthi\"},\"description\":\"Sai Muralidhar Jayanthi is a Machine Learning Engineer on the MindMeld team at Cisco, where he builds production-level conversational interfaces. Specifically, he works on enhancing core functionalities of Natural Language Processing pipelines such as entity linking and question answering, and is passionate about developing ML algorithms that better suit low-resource and multilingual settings. Prior to MindMeld, Sai completed his Masters in Intelligent Information Systems from Carnegie Mellon University.\",\"sameAs\":[\"https:\/\/www.linkedin.com\/in\/sai-murali\/\"],\"url\":\"https:\/\/blog.webex.com\/it\/contributors\/sjayanthi\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Quali sono le novit\u00e0 in termini di risoluzione entit\u00e0 in MindMeld? | Webex Blog","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/","og_locale":"it_IT","og_type":"article","og_title":"Quali sono le novit\u00e0 in termini di risoluzione entit\u00e0 in MindMeld? | Webex Blog","og_description":"Introduzione La risoluzione entit\u00e0 ER (Entity Resolution) \u00e8 il processo di disambiguazione di un’entit\u00e0. Viene realizzata associando un riferimento di […]","og_url":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/","og_site_name":"Webex Blog","article_published_time":"2021-07-21T21:48:10+00:00","article_modified_time":"2021-08-03T14:30:18+00:00","og_image":[{"width":975,"height":554,"url":"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png","type":"image\/png"}],"author":"Sai Muralidhar Jayanthi","twitter_misc":{"Scritto da":"Sai Muralidhar Jayanthi","Tempo di lettura stimato":"8 minuti"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#article","isPartOf":{"@id":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/"},"author":{"name":"Sai Muralidhar Jayanthi","@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/c17b8b06aadbba270b504e0115e70461"},"headline":"Quali sono le novit\u00e0 in termini di risoluzione entit\u00e0 in MindMeld?","datePublished":"2021-07-21T21:48:10+00:00","dateModified":"2021-08-03T14:30:18+00:00","mainEntityOfPage":{"@id":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/"},"wordCount":1512,"commentCount":0,"image":{"@id":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#primaryimage"},"thumbnailUrl":"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png","keywords":["PSTN"],"articleSection":["Ingegneria"],"inLanguage":"it-IT","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/","url":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/","name":"Quali sono le novit\u00e0 in termini di risoluzione entit\u00e0 in MindMeld? | Webex Blog","isPartOf":{"@id":"https:\/\/blog.webex.com\/es\/#website"},"primaryImageOfPage":{"@id":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#primaryimage"},"image":{"@id":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#primaryimage"},"thumbnailUrl":"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png","datePublished":"2021-07-21T21:48:10+00:00","dateModified":"2021-08-03T14:30:18+00:00","author":{"@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/c17b8b06aadbba270b504e0115e70461"},"breadcrumb":{"@id":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#breadcrumb"},"inLanguage":"it-IT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/"]}]},{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#primaryimage","url":"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png","contentUrl":"https:\/\/blog.webex.com\/wp-content\/uploads\/2021\/07\/Whats-new-with-entity-resolution-in-MindMeld.png","width":975,"height":554,"caption":"What's new with entity resolution in MindMeld?"},{"@type":"BreadcrumbList","@id":"https:\/\/blog.webex.com\/it\/engineering-it\/quali-sono-le-novita-in-termini-di-risoluzione-entita-in-mindmeld\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/blog.webex.com\/it\/"},{"@type":"ListItem","position":2,"name":"Quali sono le novit\u00e0 in termini di risoluzione entit\u00e0 in MindMeld?"}]},{"@type":"WebSite","@id":"https:\/\/blog.webex.com\/es\/#website","url":"https:\/\/blog.webex.com\/es\/","name":"Webex Blog","description":"Webex by Cisco powers collaboration through industry-leading video conferencing, cloud calling and contact center solutions","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/blog.webex.com\/es\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"it-IT"},{"@type":"Person","@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/c17b8b06aadbba270b504e0115e70461","name":"Sai Muralidhar Jayanthi","image":{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/blog.webex.com\/es\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/eaeccf28b3a3e54c571e3f47449e775311afe118202a5f99ec4ca3d94e2d7aea?s=96&d=wp_user_avatar&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/eaeccf28b3a3e54c571e3f47449e775311afe118202a5f99ec4ca3d94e2d7aea?s=96&d=wp_user_avatar&r=g","caption":"Sai Muralidhar Jayanthi"},"description":"Sai Muralidhar Jayanthi is a Machine Learning Engineer on the MindMeld team at Cisco, where he builds production-level conversational interfaces. Specifically, he works on enhancing core functionalities of Natural Language Processing pipelines such as entity linking and question answering, and is passionate about developing ML algorithms that better suit low-resource and multilingual settings. Prior to MindMeld, Sai completed his Masters in Intelligent Information Systems from Carnegie Mellon University.","sameAs":["https:\/\/www.linkedin.com\/in\/sai-murali\/"],"url":"https:\/\/blog.webex.com\/it\/contributors\/sjayanthi\/"}]}},"_links":{"self":[{"href":"https:\/\/blog.webex.com\/it\/wp-json\/wp\/v2\/posts\/20294","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.webex.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.webex.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.webex.com\/it\/wp-json\/wp\/v2\/users\/5432"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.webex.com\/it\/wp-json\/wp\/v2\/comments?post=20294"}],"version-history":[{"count":0,"href":"https:\/\/blog.webex.com\/it\/wp-json\/wp\/v2\/posts\/20294\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.webex.com\/it\/wp-json\/wp\/v2\/media\/18902"}],"wp:attachment":[{"href":"https:\/\/blog.webex.com\/it\/wp-json\/wp\/v2\/media?parent=20294"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.webex.com\/it\/wp-json\/wp\/v2\/categories?post=20294"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.webex.com\/it\/wp-json\/wp\/v2\/tags?post=20294"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}